4 个大男人打一口价迟到一分钟都不能多等。这类场景在网约车司机群里经常刷到评论区基本都是支持司机的声音。原因并不复杂一口价订单单价本身不高司机开到上车点需要油费和时间乘客迟到三五分钟还能忍迟到十几分钟甚至更久等来的很可能还是一句“取消”。情绪归情绪问题还是要解决。这篇文章把这类场景拆成可以落地的流程司机接到订单后怎么记录时间、怎么设定等待上限、超时后怎么按平台规则处理以及用一个本地 Python 命令行小工具把每次等待变成可统计的数据后续就知道自己每天到底在“等客”上浪费了多少时间。这个工具不是抢单外挂不调用任何平台接口不读取乘客隐私也不在驾驶过程中操作。它只做一件事本地记录订单等待时间、超时提醒和批量统计。适合网约车司机、上门维修、装维人员这类“约定时间但对方经常迟到”的移动服务场景。1. 核心能力速览能力项说明项目类型本地命令行时间记录与统计工具主要功能订单等待计时、超时阈值提醒、订单时间统计、等待成本估算输入方式命令行参数、CSV 文件输出内容控制台汇总、orders.csv 日志硬件要求能运行 Python 3 即可无 GPU 要求是否联网不需要联网是否提供 API不提供对外 API 服务是否支持批量任务支持可批量读取 CSV 中的历史订单记录数据存储本地 CSV 文件适合场景网约车司机、上门服务人员、按约定时间上门的技术人员从核心能力看这个工具解决的是“情绪管理背后的时间管理”问题。与其在等客时干着急不如把等待时间记录下来等数据积累几天再回头看哪些时间段、哪些区域、哪些订单类型最容易出现超时后面接单就能提前避坑。2. 适用场景与使用边界2.1 适合谁网约车司机尤其是经常接一口价、特惠订单的司机。需要按预约时间上门提供服务的技术人员比如宽带装维、家电维修、上门回收。对时间敏感的自由职业者经常被“马上到”拖住。想用数据说服自己调整接单策略的司机。2.2 能解决什么问题记住每个订单实际等了多久。在达到等待阈值时提示司机“可以按规则联系乘客或上报”。统计一段时间内超时订单的比例判断哪些场景不值得继续等。计算等待成本帮助司机决定是否继续等。2.3 不适合什么场景不适合在驾驶中操作。不适合作为抢单、改价、绕过平台规则的辅助工具。不适合用来做乘客身份画像和隐私收集。2.4 使用边界与合规提醒工具记录的订单号、时间、备注都属于业务数据应保存在本地不要上传网盘、不要截图发到公开群。如果涉及乘客手机号、精确位置这些信息更不应该记录。与乘客沟通时保持基本礼貌超时后优先使用平台内置的联系和上报功能而不是自己用短信或电话反复催促。遇到拒不配合、言语冲突的情况保留行程录音和订单页面截图再走平台申诉渠道。3. 工具逻辑与判定标准整个工具的核心逻辑很简单等待时长 司机到达上车点时间 - 订单开始等待时间实际操作时事件定义成四个事件名称含义start司机到达上车点开始等待passenger_arrived乘客到达上车点等待结束cancel订单取消等待结束note补充说明不参与统计判断是否超时的公式等待时长 阈值 触发超时提醒阈值默认设置为 10 分钟具体数值需要结合所在城市、订单类型和平台规则调整。对于一口价订单超过 10 分钟仍然没有等到乘客司机继续等待的边际收益会迅速降低。这个判定标准不是平台标准只是给司机自己做一个“止损线”。真实取消订单时仍然要按平台规则来不要直接和乘客产生冲突。4. 环境准备与目录设计4.1 运行环境Python 3.7 及以上版本。Windows、Linux、macOS 均可。不需要安装第三方依赖只需要标准库 argparse、csv、datetime、os。检查 Python 版本python --version如果系统提示找不到 Python先安装 Python 3安装时勾选“Add Python to PATH”。4.2 目录设计建议单独建一个目录存放脚本和订单记录driver-tool/ ├── driver_wait_tool.py ├── orders.csv └── reports/orders.csv是自动生成的订单记录文件reports/目录可以存放后续导出的统计结果。这样脚本文件、数据文件、报告文件分开不容易乱。5. 安装部署与启动方式5.1 创建脚本在driver-tool目录下新建文件driver_wait_tool.py写入以下完整代码#!/usr/bin/env python3 driver_wait_tool.py - 网约车司机等客时间记录与统计工具 import argparse import csv import os from datetime import datetime, timedelta ORDERS_CSV orders.csv WAIT_LIMIT_DEFAULT 10 def ensure_csv(): 如果订单文件不存在则创建并写入表头。 if not os.path.exists(ORDERS_CSV): with open(ORDERS_CSV, w, newline, encodingutf-8) as f: writer csv.writer(f) writer.writerow([order_id, event, time, note]) def record_event(order_id, event, note): 记录单个事件到 CSV 文件。 ensure_csv() now datetime.now().strftime(%Y-%m-%d %H:%M:%S) with open(ORDERS_CSV, a, newline, encodingutf-8) as f: writer csv.writer(f) writer.writerow([order_id, event, now, note]) print(f[记录] 订单 {order_id} 事件 {event} 时间 {now} 备注 {note}) def check_wait(order_id, limitWAIT_LIMIT_DEFAULT): 检查某个订单已等待的分钟数。 events {} with open(ORDERS_CSV, r, encodingutf-8) as f: reader csv.DictReader(f) for row in reader: if row[order_id] order_id: events[row[event]] row[time] if start not in events: print(错误尚未记录该订单的开始等待时间) return start datetime.strptime(events[start], %Y-%m-%d %H:%M:%S) now datetime.now() wait_minutes (now - start).total_seconds() / 60 print(f订单 {order_id} 已等待 {wait_minutes:.1f} 分钟超时阈值 {limit} 分钟) if wait_minutes limit: print(提示已达到等待阈值请按平台规则联系乘客或上报处理。) return wait_minutes def report(days7, limitWAIT_LIMIT_DEFAULT): 统计近 N 天订单的等待情况。 ensure_csv() since datetime.now() - timedelta(daysdays) orders {} with open(ORDERS_CSV, r, encodingutf-8) as f: reader csv.DictReader(f) for row in reader: try: t datetime.strptime(row[time], %Y-%m-%d %H:%M:%S) except ValueError: continue if t since: continue oid row[order_id] orders.setdefault(oid, {})[row[event]] t count 0 late 0 max_wait 0.0 print(f近 {days} 天订单统计等待阈值 {limit} 分钟) for oid, ev in orders.items(): if start not in ev: continue count 1 if passenger_arrived in ev: wait (ev[passenger_arrived] - ev[start]).total_seconds() / 60 else: wait (datetime.now() - ev[start]).total_seconds() / 60 max_wait max(max_wait, wait) if wait limit: late 1 print(f {oid}: 等待 {wait:.1f} 分钟已超时) else: print(f {oid}: 等待 {wait:.1f} 分钟正常) if count 0: print(没有找到有效订单记录) else: print(f有效订单 {count} 单超时 {late} 单超时比例 {late / count * 100:.1f}%最长等待 {max_wait:.1f} 分钟) def demo(): 生成几条演示数据方便验证功能。 now datetime.now() cases [ (DEMO-001, now - timedelta(minutes8), 乘客提前到达), (DEMO-002, now - timedelta(minutes15), 超时取消), (DEMO-003, now - timedelta(minutes5), 正常上车), ] for oid, start, note in cases: record_event(oid, start, note) if oid DEMO-001: record_event(oid, passenger_arrived, 8分钟后到达) if oid DEMO-003: record_event(oid, passenger_arrived, 5分钟后到达) def main(): parser argparse.ArgumentParser(description网约车司机等客时间记录工具) sub parser.add_subparsers(destcommand) record_p sub.add_parser(record, help记录事件) record_p.add_argument(--order-id, requiredTrue, help订单号) record_p.add_argument(--event, requiredTrue, choices[start, passenger_arrived, cancel, note], help事件类型) record_p.add_argument(--note, default, help备注信息) check_p sub.add_parser(check, help检查等待时长) check_p.add_argument(--order-id, requiredTrue, help订单号) check_p.add_argument(--limit, typeint, defaultWAIT_LIMIT_DEFAULT, help超时阈值) report_p sub.add_parser(report, help统计订单) report_p.add_argument(--days, typeint, default7, help统计最近 N 天) report_p.add_argument(--limit, typeint, defaultWAIT_LIMIT_DEFAULT, help超时阈值) sub.add_parser(demo, help生成演示数据) args parser.parse_args() if args.command record: record_event(args.order_id, args.event, args.note) elif args.command check: check_wait(args.order_id, args.limit) elif args.command report: report(args.days, args.limit) elif args.command demo: demo() else: parser.print_help() if __name__ __main__: main()5.2 启动与命令说明先进入脚本所在目录再执行命令cd driver-tool python driver_wait_tool.py --help看到命令列表就说明脚本可以正常工作。支持四个子命令子命令作用常用参数record记录事件--order-id--event--notecheck检查当前等待时长--order-id--limitreport统计近 N 天订单--days--limitdemo生成演示数据无5.3 真实订单记录方式司机到达上车点并停好车后先记录开始等待python driver_wait_tool.py record --order-id DD20250101001 --event start --note 已到达上车点乘客到达后记录等待结束python driver_wait_tool.py record --order-id DD20250101001 --event passenger_arrived --note 乘客上车如果没有等到乘客订单取消记录取消事件python driver_wait_tool.py record --order-id DD20250101001 --event cancel --note 超时取消记录之后想确认当前的等待时长直接运行python driver_wait_tool.py check --order-id DD20250101001 --limit 10注意所有操作都应该在停车状态下完成。车辆行驶过程中不要使用手机操作命令行。6. 功能测试与效果验证6.1 演示数据测试先跑一遍 demo验证整个流程是否通畅python driver_wait_tool.py demo预期输出类似[记录] 订单 DEMO-001 事件 start 时间 2025-01-01 10:00:00 备注 乘客提前到达 [记录] 订单 DEMO-001 事件 passenger_arrived 时间 2025-01-01 10:08:00 备注 8分钟后到达 [记录] 订单 DEMO-002 事件 start 时间 2025-01-01 09:45:00 备注 超时取消 [记录] 订单 DEMO-003 事件 start 时间 2025-01-01 11:00:00 备注 正常上车 [记录] 订单 DEMO-003 事件 passenger_arrived 时间 2025-01-01 11:05:00 备注 5分钟后到达6.2 查看 CSV 日志打开 orders.csv可以看到四行数据order_id,event,time,note DEMO-001,start,2025-01-01 10:00:00,乘客提前到达 DEMO-001,passenger_arrived,2025-01-01 10:08:00,8分钟后到达 DEMO-002,start,2025-01-01 09:45:00,超时取消 DEMO-003,start,2025-01-01 11:00:00,正常上车 DEMO-003,passenger_arrived,2025-01-01 11:05:00,5分钟后到达6.3 批量统计测试运行统计命令python driver_wait_tool.py report --days 7 --limit 10预期输出近 7 天订单统计等待阈值 10 分钟 DEMO-001: 等待 8.0 分钟正常 DEMO-002: 等待 15.0 分钟已超时 DEMO-003: 等待 5.0 分钟正常 有效订单 3 单超时 1 单超时比例 33.3%最长等待 15.0 分钟判断成功的标准CSV 文件能自动创建。demo 能生成记录。report 能正确统计超时比例和最长等待时长。如果 report 识别不到记录优先检查 orders.csv 中的时间格式是否保持YYYY-MM-DD HH:MM:SS。7. 批量任务与等待成本核算7.1 批量统计价值网约车司机一天跑几十单手动记录每单的开始时间和结束时间确实麻烦但这种数据积累起来后很有用。比如连续统计一周之后可以发现下午 5 点到 7 点的订单乘客迟到概率更高。从某个商圈出发的订单等待时间明显偏长。一口价订单的平均等待时间比快车订单多 5 分钟以上。这些结论都可以从 orders.csv 中算出来。7.2 等待成本估算等待成本可以按目标流水估算等待成本 等待分钟数 / 60 × 每小时目标流水假设司机给自己定的目标是每小时流水 60 元那么等待 15 分钟的成本就是15 / 60 × 60 15 元也就是说每多等 15 分钟就需要额外多跑 15 元的流水才能补回来。一口价订单本身单价不高如果再叠加等待时间单位时间产出会非常低。7.3 CSV 批量导入如果已经用其他方式记录了订单数据可以直接把数据整理到 orders.csv 中然后运行 report 统计。字段顺序如下order_id,event,time,note DD-1001,start,2025-01-01 08:30:00,到达 DD-1001,passenger_arrived,2025-01-01 08:35:00,上车导入时注意时间格式必须是YYYY-MM-DD HH:MM:SS。同一个订单的 start 和 passenger_arrived 要放在相邻行但不强制相邻。文件编码用 UTF-8不要盲目改成其他编码。7.4 用 Python 做一次自定义批量分析不需要额外安装 pandas直接用标准库读取 CSV 并计算平均等待时间。在 driver-tool 目录下新建 analyze.pyimport csv from collections import defaultdict orders defaultdict(dict) with open(orders.csv, r, encodingutf-8) as f: for row in csv.DictReader(f): orders[row[order_id]][row[event]] row[time] total_wait 0 count 0 for oid, events in orders.items(): if start in events and passenger_arrived in events: from datetime import datetime start datetime.strptime(events[start], %Y-%m-%d %H:%M:%S) end datetime.strptime(events[passenger_arrived], %Y-%m-%d %H:%M:%S) wait (end - start).total_seconds() / 60 total_wait wait count 1 if count 0: print(f共 {count} 单有完整等待记录平均等待 {total_wait / count:.1f} 分钟) else: print(没有完整记录)运行python analyze.py这个脚本就是一次批量任务适合每天收车后跑一遍。8. 自动化与低资源占用8.1 让工具“轻”一点这个脚本只用了 Python 标准库不安装任何第三方依赖不启动 Web 服务不占用 GPU 和网络资源。启动一次只执行一条命令然后退出内存占用非常低普通终端环境都能跑。如果要长期观察资源占用可以用任务管理器或系统监控命令查看 Python 进程的内存但通常这类脚本执行完就退出谈不上持续占用。8.2 用系统计划任务生成日报每天收车后自动运行 report把输出导到一个文件里方便月底复盘。Windows 下可以用任务计划程序设置触发时间为每天 23:30操作选择“启动程序”程序填 python参数填脚本路径。Linux 下可以在 cron 中配置。Linux 示例crontab -e添加一行30 23 * * * cd /home/user/driver-tool python driver_wait_tool.py report --days 1 reports/daily_$(date \%Y\%m\%d).log 21注意这个自动化只做统计和日志导出不会在行程中向司机弹窗。弹窗提醒需要自己手动执行 check因为行程中是静止状态才建议做提醒操作。8.3 日志文件管理orders.csv 会随着记录增多而变大。建议按月归档cp orders.csv orders_$(date %Y%m).csv归档后可以清空 orders.csv 的表头以下内容只保留表头行。这样统计日报时仍然不会报错。9. 常见问题与排查方法问题现象可能原因排查方式解决方案运行命令提示“python 不是内部或外部命令”Python 未安装或未加入 PATH执行python --version重新安装 Python并勾选 Add Python to PATH脚本中文乱码CSV 文件编码不是 UTF-8用文本编辑器查看文件编码重新保存为 UTF-8CSV 不推荐使用 GBKcheck 提示“尚未记录开始等待时间”没有先记录 start 事件查看 orders.csv 中该订单是否有 start 行补充记录--event startreport 统计不到数据时间格式异常或超出的统计天数检查 CSV 时间列统一时间格式YYYY-MM-DD HH:MM:SS重复统计同一订单CSV 中同一事件出现了多次去重 orders.csv 中的记录用 Python 脚本去重或手动删除重复行超时提醒不准确系统时间不准确校准操作系统时间开启自动校时确认时区设置正确手动记录事件太麻烦命令行输入较长优先使用订单号编号规则订单号设置短一点例如DD-1001或写成批处理脚本订单号重复手工复制导致重复检查 CSV 中 order_id 是否唯一添加编号后缀确保唯一性最常出的问题其实是“忘了记录 start”。如果上车之后才想起来没记录可以按当前时间补一条 start再补 passenger_arrived但等待时长就不准了。更稳妥的方式是到上车点后先停车完成了记录再联系乘客。10. 实际接单中的时间管理建议10.1 先定止损线在接到订单后先看一眼订单类型和当前位置。一口价订单、特惠订单这类低客单价订单止损线可以设置得短一点比如 8 到 10 分钟。普通快车订单可以稍微宽松一些但也不要无限等。工具里的--limit参数就是用来控制这个止损线的。到时间后按平台规则操作即可不必在车里反复纠结。10.2 到达后先记录再联系到达上车点后先停车然后用脚本记录 start接着再用平台内置工具联系乘客。如果乘客电话打不通等 2 分钟后再试一次。仍然联系不上按照平台规则报备等待或上报取消。记录这件事的价值在于后续申诉或走平台客服时司机能说出“我几点到、等了多久、联系了几次”这些具体信息而不是只凭主观判断。10.3 不要升级冲突“必须给他们上一课”这种情绪可以理解但现实中升级冲突通常只会让司机浪费更多时间还可能被平台判定责任。更有意义的“上一课”是用数据证明等待成本用规则保护自己的时间碰到底线干净利落地按流程取消。10.4 保护隐私和证据订单号可以记录但不要记录乘客姓名、手机号、精确位置。车内录音开启后注意保存到行程结束。沟通记录不要公开传播。所有统计数据只用于个人复盘不做乘客画像。10.5 收车后做复盘每天收车后运行一次 report重点看两个数据超时比例和平均等待时间。如果某一天超时比例超过 30%说明当天接单策略可能偏向低质订单或者某个时段存在问题。休息时间复盘数据比在车里生闷气更有效。11. 总结与下一步这个工具最值得试的点在于把“等人”这件让人烦躁的事情变成了可量化、可复盘的数据。不需要安装复杂环境不需要 GPU不需要联网只依赖 Python 标准库就能跑起来。真正需要投入的不是技术成本而是每天 10 秒钟的记录习惯。第一次使用建议按这个顺序验证先跑python driver_wait_tool.py demo确认功能再把 orders.csv 清空下一单真实订单到达上车点时记录 start乘客到达后记录 passenger_arrived收车后用report查看统计。最容易踩的坑是“忘了开始记录”和“CSV 编码不对”这两点提前注意就行。后续可以继续扩展的方向有很多把 orders.csv 接入 Excel 做可视化图表通过平台订单流水自动生成等待成本报表或者把这个脚本封装成一个更简单的手机端快捷指令。对于司机来说工具永远只是辅助真正有用的是建立自己的时间止损意识。建议先跑一周真实订单看看自己的平均等待时间是多少再决定等待阈值怎么调。